1. 课程导入与问题定义
线性方程组是科学计算与工程仿真中最常见的数学对象之一。无论是结构力学中的有限元刚度方程、流体计算中的离散 Navier–Stokes 方程、电路网络中的节点电压方程，还是机器学习中正则化最小二乘的正规方程，最终往往都归结为求解形如
A x = b，其中 A ∈ ℝn×n，x、b ∈ ℝn
的线性系统。本课程讨论的核心问题不是"如何写出方程"，而是"当 n 很大、A 又很稀疏时，如何让迭代求解器在可接受的时间内收敛"。预条件技术正是回答这一问题的关键手段。
一、线性方程组从哪里来：规模与稀疏性的双重挑战
以三维结构静力分析为例，一个中等规模的实体模型经四面体网格离散后，节点数常在 105～107 量级，每个节点有 3 个位移自由度，未知量规模可达 3×105～3×107。若采用直接法（如 LU 分解），即便利用稀疏性，分解产生的填充元也会使存储与计算量急剧膨胀；而迭代法（如共轭梯度法 CG、GMRES）每次迭代只需若干次稀疏矩阵—向量乘，单步代价为 O(nnz(A))，但收敛所需的迭代次数强烈依赖于 A 的谱性质。
这里必须区分两个容易混淆的概念：稀疏性指矩阵中非零元占比很低（例如每行仅 7～30 个非零元），它决定了单次矩阵—向量乘的代价；条件数 κ(A) = λmax/λmin（对称正定情形）则决定了迭代法的收敛速度。网格越细、材料系数跳跃越大、对流越强，κ(A) 往往越大，CG 的迭代次数可能从几十次增长到上万次。这就是"规模大"与"病态"叠加带来的实际困难。
二、预条件技术的作用：把"难解"变成"易解"
预条件的基本思想是：寻找一个易于求逆的矩阵 M ≈ A，将原方程等价变换为
M-1A x = M-1b
使新系数矩阵 M-1A 的条件数远小于 A，从而让迭代法快速收敛。M 称为预条件子。左预条件、右预条件与分裂预条件在残差度量上略有差异，但目标一致：在"构造与应用的代价"和"条件数改善带来的迭代次数下降"之间取得平衡。一个理想的预条件子应满足三点：M-1v 的计算代价接近 O(nnz(A))；M 能捕捉 A 的主要谱特征（尤其是小特征值对应的模态）；M 的构造本身不需要昂贵的分解。
需要强调的是，预条件并非"万能加速器"。若 M 构造过重（例如对大规模三维问题做不完全 LU 分解且填充过多），单步代价上升可能抵消迭代次数下降的收益；若 M 过于粗糙（如仅用对角阵 Jacobi），对强病态问题改善有限。因此实际工程中，预条件子的选择必须结合矩阵来源、对称性、正定性、谱分布与可用内存综合判断。
三、课程路线图：从原理到工程落地
本课程共 30 章，整体按"问题—原理—构造—实现—评估—应用"的逻辑推进，但并非线性罗列，而是围绕几个反复出现的判断点展开：什么时候该用预条件、选哪一类预条件子、如何评估其有效性、在并行与内存受限时如何取舍。
前期章节建立基础：线性方程组的来源与稀疏存储格式（CSR/CSC）、迭代法收敛理论（Krylov 子空间、残差与误差的关系）、条件数与谱分布对收敛的影响。中期进入预条件子的构造：对角（Jacobi）预条件、不完全 LU/Cholesky 分解（ILU(k)、ILUT、IC(0)）、对称超松弛（SSOR）、稀疏近似逆（SPAI），以及面向大规模问题的代数多重网格（AMG）。后期聚焦工程实践：预条件子的并行实现与通信开销、预条件子质量评估指标（迭代次数、单步时间、总时间、内存占用）、失败模式与调参策略，并通过结构力学、流体、电磁等案例展示完整求解链路。
为了让读者对"预条件到底带来多大差别"有直观预期，下面给出一个教学示例（非实测数据，仅用于说明量级关系）：假设某二维泊松问题离散后 n = 105，κ(A) ≈ 104。不预条件的 CG 可能需要约 500～1000 次迭代；采用 IC(0) 预条件后，迭代次数可能降至 100 次量级；若用 AMG，迭代次数甚至可能与网格规模弱相关，稳定在几十次。实际数值会随问题、容差和实现而变化，但"预条件显著改变迭代次数"这一趋势是可靠的。